המיתוס הגדול ביותר בעסקים כיום הוא שאימוץ Copilot כעמית לעבודה מוביל לעלייה מיידית בפריון, אך במציאות, הצוותים שמשתמשים בבינה מלאכותית הכי הרבה הם לעיתים קרובות הכי פחות פרודוקטיביים. הם לא משדרגים ערך, הם פשוט מגבירים תהליכים שבורים במהירות על אנושי. כדי לנצח, עליכם להפסיק להיות מפקחים על אנשים ולהתחיל להפוך להדריכלים של מערכות שיתופיות. המודל המנטלי של מתמחי דיגיטלי הוא הגורם הגדול ביותר שחותר תחת החזר ההשקעה, ROI, שלכם. אם אתם מתייחסים לבינה מלאכותית כאל עוזר זוטר, כבר הפסדתם את המעבר. בואו נדבר על הסיבה לכך. האירוע, מדוע המעבר לעבודה עם עמית דיגיטלי נתקה? השקת הקופילות כעמית לעבודה שינתה את חוקי המשחק, אך רוב צוותי ההנהלה פספסו את המסר. זה לא סתם עוד שדבות, עברנו את עידן השאלות והתשובות הפשוט. זוהי מערכת סוכנתית, היא לא רק מדברת, היא מתכננת, מסיקה מסקנות ומוציאה לפועל משימות בכל מערכת המיקרוסופט 365 שלכם. המערכת בנויה על ארכיטקטורה של תכנון וביצוע המתאמת משימות בין היומן, תיבת הדואר הנכנס והמסמכים שלכם בו זמני. אך למרות הקפיצה האדירה הזו ביכולות, המעבר ברוב הארגונים נתקה. הוא נתקל בקיר. הסיבה היא מה שאני מכנה, מלכודת ההנחיה והתיקון. מנהלים לחודים כרגע בלוב שבו הם משקיעים 10 דקות בניסוח הנחיה ואז 20 דקות בתיקון פלט לא עקבי, הוזה או מעוצב בצורה גרועה. הם מנסים לנהל את הבינה המלאכותית באותה דרך שבה הם היו מנהלים מתמחי אנושי. הם נותנים הוראה מאורפלת, מחכים לטיוטה ואז מתקנים ידנית את השגיאות. אבל הנה הבעיה, נטל האינטגרציה הידנית הזה מבטל כל שנייה של זמן שהבינה המלאכותית חסכה. אם המנהל צריך לגעת בקובץ כדי להכין אותו עבור הלקוח, המערכת שבורה. לא הישגתם יעילות, פשוט הוספתם מטווח מרעיש לבוקר שלכם. הנתונים מאשרים את הקושי. מחקרים עדכניים מראים שכ-80% מפרויקטי הפיילוט של בינה מלאכותית לא מגיעים ליצור מלא. זהו מספר מדהים. ארגונים אלו לא נכשלים בגלל שהטכנולוגיה פגומה. הם נכשלים כי הם התייחסו לרכישת רישיונות כאל תחליף לבגרות ארגוני. הם חילקו מפתחות מבלי לעצב מחדש את המכונית. הם הניחו שאם ייתנו למד מינוס 300 איש רישיון קופה אילות, הפריון פשוט יקרה מעיליו. במקום זאת, מה שהם קיבלו זה התפשטות של אוטומציה בצללים. עובדים משתמשים בבינה מלאכותית בממגורות סיילוז נפרדות. אדם אחד משתמש בה כדי לסכם פגישות שלא נכח בהן, ועוד אחר משתמש בה כדי לנסח מיילים שלא נשמעים בכלל כמו המותג של החברה. אין סטנדרט. אין בקרת גרסאות ללוגיקה. מכיוון שאין תכנון מחדש מבני של תהליך העבודה, התוצרים אינם מקביעים. יום אחד ה-AI מפיק דוח מבריק, וביום למוחרת הוא מפספס שלוש נקודות נתונים מרכזיות כי נתוני הבסיס בשארפוינט היו מבולגנים. כשמתייחסים ל-AI כאל מתמחה, מצפים שהוא ילמד דרך אוסמוזה, אבל ל-AI אין אינטואיציה. יש לו רק את הסביבה שאתה בונה עבורו. כשהסביבה הזו כאוטית, ה-AI מתרגם את הקאוס הזה לקני מידה גדול. הוא מייצר כמות אדירה של עבודה, כמעט טובה, שסותמת את מחזורי הבדיקה שלכם ויוצרת סיכונים חדשים. אתם נשארים עם ספרייה של אפליקציות לא מנוהלות, לוגיקה כפולה, וכוח אדם עסוק מתמיד, אך מייצר פחות אימפקט משמעותי. רוב המנהלים רואים זאת ומאשימים את הכלי. הם אומרים שה-AI לא מוכן, או שהוא עדיין לא חכם מספיק. הם מחכים לעדכון המודל הבא שיפתור להם את הבעיות. אבל המודל הוא לא צוואר הבקבוק. צוואר הבקבוק הוא ההנחה שניתן לפקח על-AI כמו על אדם. אי אפשר לבוא בטענות ללולאה סוכנתית על הזיה, הלוסינציה. אי אפשר לקיים שיחת אחד על אחד עם מערכת כדי לדון בביצועים שלה. הכישלון שאנחנו רואים ברחבי סביבת M365 הוא לא שינוי טכנולוגי. זהו כישלון ניהולי. אנחנו מנסים להפעיל מערכת סוכנתית של 2026 בעזרת מודל פיקוח של שנות ה-90. כדי לתקן את התקיעה, עלינו להסתכל רמה אחת לעומק. עלינו לשנות את מערכת היחסים הבסיסית בין המנהל, הנתונים והמכונה. עלינו לעבור ממודל של אדם מול אדם למה שהוא שונה לחלוטין. עלינו להפסיק לנהל ולהתחיל לבנות. שם מתחיל המהלך של האדריכל, המעבר מפיקוח לארכיטקטורת מערכות. עלינו להכיר באמת קשה לגבי מנהיגות בעידן החדש, והאמת היא שמודל הפיקוח המסורתי מת רשמית. במשך עשורים, עבודתו של מנהל הייתה פשוטה יחסית כי פשוט שכרת את האנשים הנכונים, הקצית להם את המשימות הנכונות וצפית בהם עובדים. פיקחת על הפרט, בדקת את התקדמותם, נתת להם משוב והחזקת אותם אחראים לתוצר הסופי. המודל הזה מניח שהאדם הוא המנוע, אבל כשמכניסים מערכת סוכנתית כמו Copilot Coworker, האדם הוא כבר לא המנוע. המערכת היא המנוע. אם תנסה לפקח על איי באותו אופן שבו אתה מפקח על אדם, אתה מנסה לנהל רוח רפאים. אתה לא יכול להסתכל לאלגוריתם בעיניים ולבקש ממנו להתאמץ יותר, ואתה בהחלט לא יכול לעורר השראה במודל שפה גדול כדי שיהיה יכפת לו יותר מהלקוח. כאן מתרחש השינוי. עליך לעבור מפיקוח על האדם להנדסה של החיכוך השיתופי. זהו המהלך של האדריכל. זו ההבנה שהעבודה שלך היא לא לנהל את התפוקה. המטרה היא לעצב סביבה שהופכת את התוצאה לבלתי נמנעת. חישבו על האופן שבו מנהל מסורתי מטפל בדוח מבולגן. הוא יושב עם העובד, מסביר מה לא בסדר ומקווה שהעובד ילמד לפעם הבאה. אבל הארכיטקט שמביט באותו דוח מבולגן שואל שאלה אחרת. היכן נשבר רצף הנתונים? הוא לא מאשים את האדם, הוא מאבחן את המערכת. הוא מבין שאם ה-AI ייצר הזיה, זה בגלל שנתוני הבסיס היו לא מובנים או שהכוונה הייתה מאורפלת. בינה מלאכותית לא רק עושה טעויות, היא מגדילה פגמים קיימים במהירות הלנושי. אם השירפוינט הפנימי שלכם הוא בית כברות דיגיטלי של קבצי PDF מיושנים, הקופילות ימצא אותם. הוא התייחס למדיניות מ-2018 כאל הנחיה לשנת 2026 כי לא הגדרתם את הגבולו. זה יוצר שינוי אדיר באחריותיות. בעולם הישן, עם פרויקט נכשל, חיפשתם את האחראי. בעולם החדש, אי אפשר להטיל אחריות על סוכן כי אין לו אינטרס אישי בדבר. לכן, המנהל חייב לקחת בעלות על עיצוב המערכת עצמה. אתם כבר לא אחראים למשימה, אתם אחראים ללוגיקה שמנהלת את המשימה. זה אומר להעביר את המיקוד ממי הבעלים של זה, לאיך הנתונים זורמים ככוונה. כוונה היא הדלק של עידן העבודה המשותפת. כשמנהל נותן הנחיה מאורפלת לבין אנוש, האדם משתמש באינטואיציה כדי למלא את החסר. הוא מכיר את ההקשר, הוא מכיר את הכללים הלא כתובים. ל-AI אין אינטואיציה, יש לו רק את ההקשר שאתם מספקים דרך Work IQ וספריות הפרומפטים שלכם. אם הכוונה שלכם מטושטשת, הביצוע של המערכת יהיה כאותי. התפקיד של הארכיטקט הוא לחזק את הכוונה הזו. עליכם לבנות את מעקות הבטיחות שמונעים מה-AI לסתות, ולהחליט בדיוק כליני איפה המכונה נעצרת ואיפה האדם משתלט. זה מה שאני מכנה, הנדסת חיכוך. רוב המנהלים חושבים שחיכוך הוא דבר רע. הם רוצים אוטומציה חלקה, אבל בעולם של בינה מלאכותית סוחנית, חוסר חיכוך הוא מסוכן. זה מוביל לטעויות שלא נבדקו על חישלונות שקטים. ארכיטקט מחזיר אסטרטגית חיכוך לתוך זרימת העבודה. הוא מעצב נקודות בקרה ואישור. הוא בונה לולאות עימות מחייבות להחלטות בעלות סיכון גבוה. הוא מתייחס לזרימת העבודה כמו לתוכנית אדריכלית, לא כמו לרשימת מטלות. המעבר ממנהל לארכיטקט הוא ההבדל בין לצפות במרוץ לבין לבנות את המסלול. אם המסלול שבור, לא משנה כמה המכונית מהירה. רוב המנהלים עדיין מנסים לאמן את הנהג. הארכיטקט נמצא בחוץ ומתקן את האספלט. הוא מנקה את הנתונים, מנהל גרסאות לפרומפטים וממפה את פערי היכולות. הם מבינים שאוטונומיה צומחת רק כשהגבולות ברורים. ללא ארכיטקטורה, יש לכם רק דרך יקרה ומהירה מאוד לביצוע טעויות. כעת, בואו נראה איך זה נראה בפועל כשהדבר נכשל בעולם האמיתית. מקרה בוחן ראשון, הפיילוט שלא הצליח להרחיב דבר. בואו נבחן כיצד הכישלון הזה בא לידי ביטוי בסביבה ארגונית אמיתית. חישבו על חברת שירותים פיננסיים בינונית שהשיקה לאחרונה פיילוט למד מינוס 300 עובדים. על הנייר, הפריסה הייתה הצלחה טכנולוגית אדירה. מחלקת העית עמדה בכל אבני הדרך, ושיעורי השימוש היו בשמיים. בכל יום שלישי נתון, כמעט 90% מהמשתמשים המורשים עבדו עם קופה אילות. מנקודת המבט של לוח המכוונים, ההשקעה נראיתה כהצלחה מסחררת. אבל כשצוות ההנהלה ישב כדי למצוא את ההשפעה העסקית בפועל, הסתררה דממה בחדר. לא הייתה שום הפחתה בזמני המחזור של איבוד הלוואות. נפח דוחות הלקוחות לא גדל. למעשה, איכות הדוחות הללו החלה להידרדר. חלקם היו רשמיים מדי, בעוד שאחרים חסרו התנאיות רגולטוריות קריטיות. המנהל שהיה אחראי על הפיילוט היה המום. הם עשו אופטימיזציה להטמעת הכלי. הם עקבו אחרי כניסות, לחיצות וזמן שהושקע באפליקציה. הם התייחסו למעבר כאל שדרוג תוכנה. כאילו מתן את חפירה מהיר יותר, הופך אדם אוטומטית לגנן טוב יותר. זהו מלכודת הניהול הקלאסי. המנהל הניח שמאחר שאנשים משתמשים בכלי, הם מבצעים את העבודה טוב יותר. אבל ללא תכנון מבנים מחדש, העובדים פשוט השתמשו ב-AI כדי לעשות את הדברים הלא נכונים מהר יותר. הם השתמשו בו כדי לסכם אימיילים שהיו צריכים פשוט למחוק, וניסחו מזכרים פנימיים שאף אחד לא קרה. השימוש הריקני היה גבוה, אך הערך הכלכלי היה אפס. המנהל עדיין מדד פעילות בזמן שהמערכת איבדה יעילות דרך אלפי פערים קטנים בלוגיקה ובסטנדרטים. ארכיטקט היה ניגש לפיילוט הזה אחרת. במקום להתמקד בית מינוס 300 רישיונות, הוא היה מתמקד בית מינוס 300 תהליכי עבודה. כשהארכיטקט התערב, הצעד הראשון לא היה סדנת הדרכה על כתיבת פרומפטים. זה היה ניקוי עמוק של נתוני הבסיס. הם הבינו שה-AI שואב משלוש גרסאות שונות של מדיניות האשראי כי ארכיטקטורת השררפוינט הייתה בבלגן. ה-AI לא נכשל. הוא שיקף במדויק סביבה לא מאורגנת. הארכיטקט עבר אז לתקינת הכוונות. הם בנו ספריית דפוסי מתועדת, מאגר מרכזי של פרומפטים בסטנדרט זהב שנבדקו, אושרו וננהלו. אם אנליסט היה צריך סיכום סיכונים, הוא לא המציא פרומפט מאפס. הוא שלף את הדפוס הארכיטקטוני מהספרייה. זה ביטל את השונות שמובילה להזיות. זה הפך משחק ניחושים יצירתי לתהליך הנדסי בר חזרה. לבסוף, הם יצרו לולעת משוב שהתייחסה לשגיאות כאל תקלות מערכת לא כטעות אנוש. בכל פעם שהבינה המלאכותית פספסה נקודת נתונים, האדריכל לא אמר למשתמש לנסות חזק יותר. הם כיוונו את תגי המטה דאטה או שיפרו את לוגיקת ההנחיה בספרייה המשותפת. התוצאה הייתה מעבר משימוש לשם הפוזה למערכת פלט ברמת העשייתית המינה. הם הפסיקו לקוות לפרודוקטיביות והחלו לתכנן אותה. הם הבינו שהרחבת פיילוט אינה קשורה להוספת משתמשים נוספים. מדובר בחיזוק המערכת שבה המשתמשים הללו פועלים. השינוי הזה העביר את החברה מניסיונות לביצוע. זה הוכיח שכלי מנוהל הוא רק הוצאה, אך תהליך עבודה מתוכנן הוא נכס. כמו השניים, כאוס התפשטות הפאוור פלטפורם. בואו נסתכל רמה אחת לעומק אל התשתית של העבודה המודרנית. לאחרונה נתקלתי בחברת לוגיסטיקה גלובלית שנפלה למלכודת שהופכת לנפוצה מדי בעקוס סיסטם של M365. והמלכודת הזו היא התפשטות של אוטונומיה בלתי מנוהלת. במאמץ להיות מוכנים ל-AI, הם עודדו את המנהלים שלהם להעצים כל מחלקה לבנות פתרונות משלה. הם רצו מהירות. הם רצו זריזות. צוות ההנהגה נתן לצוותים אור ירוק להשתמש בפאוור פלטפורם ובאופילות סטודיו כדי להפוך לאוטומטי את כל מה שהם יכולים להניח עליו את הידיים. ובתוך שישה חודשים, הם יצרו מפלצת. הארגון פעל לפתע על מאות אפליקציות ותהליכי אוטומציה בלתי מנוהלים. התוצאה הייתה לוגיקה כפולה בכל מקום. שלוש מחלקות שונות בנו שלושה כלים נפרדים למעקב אחר אותם נתוני מקולות משלוח, אך כל אחת השתמשה בחישוב שונה במקצת להערכת הגאה. מכיוון שלא הייתה בקרה מרכזית, הנתונים החלו להתפצל. מנהל אחד הסתכל על לוח מכוונים שאמר שהם עומדים בלוח הזמנים, בעוד אחר ראה התראה אדומה. הם לא יצרו יעילות. הם יצרו חוב ארכיטקטוני בקנה מידע עצום. הכישלון כאן היה תוצאה ישירה של תפיסת הניהול הישנה. צוות ההנהגה עשה אופטימיזציה למהירות העוצמה, והם חשבו שעל ידי הסרת כל החסמים ליצירה, הם עוזרים לחברה לנוע מהר יותר. הם התעלמו מקוהרנטיות מערכתית. הם התייחסו לכל אפליקציה חדשה כאל סיפור הצלחה מבודד, במקום כאל צומת חדש ברשת מורכבת, אף שברירית יותר ויותר. כשזרימת עבודה קרסה בגלל ששם עמודה בשורפוינט השתנה, איש לא ידע מאחראי לתיקון. המערכת הייתה קופסה שחורה של אית, צללים שהייתה כעת קריטית לפעילות היומיומית, אך בלתי אפשרית לניהול. כאן המהלך האדריכלי משנה את המסלול. כשההתערבות החלה, הצעד הראשון לא היה לסגור את האפליקציות, אלא ליצור מפת יכולות. הארכיטקט הפסיק לשאול מה אנחנו יכולים לבנות, והתחיל לשאול מה צריך להיות קיים. הם איפו את פונקציות הליבה העסקיות, וזיהו היכן באמת נדרש אוטומציה, כדי להניע את המחת. הם הבינו שין מינוס 90% מהכלים, שנבנו בהתאמה אישית היו מיותרים. הם לא פטרו בעיות חדשות. הם רק נתנו כיסוי חדש להישנות. הארכיטקט התמיע לאחר מכן, אסטרטגיה צביבה קפדנית. הם התרחקו מגישת המערב הפרוע, וקבעו גבולות ברורים איפה, ואיך ניתן לבצע מניפולציות בנתונים. הם תעדו שימוש חוזר על פני יצירה חדשה. במודל החדש הזה, אם צוות רצה לבנות כלי מעקב חדש, הוא היה חייב קודם לבדוק את ספריית הרכיבים הארכיטקטוניים הקיימים. הם עולצו לבנות על גבי מקור אמת אחד ומנוהל. התוצאה הייתה מערכת אקולוגית מנוהלת שבה האוטונומיה יחלה סוף סוף להתרחב. מכיוון שהגבולות היו ברורים, הסיכון להיגיון כפול נעלם. החוב הארכיטקטוני נפרע, והוחלף במערכת רזה ומלוקדת שבה לכל תהליך אוטומטי, היה בעלים ברור ומטרה מתועדת. החברה לא איבדה את הזריזות שלה, היא הרוויחה אמינות. הם עברו ממצב של כאוס מנוהל למצב של ביצועים הנדסיים. הם הפסיקו לבנות עוד דברים והתחילו לבנות את הדברים הנכונים. זהו סימן ההיקר של הארכיטקט. הם מבינים שמהירות אמיתית לא מגיעה מריצה מהירה יותר, היא מגיעה מבידוש שהדרך אכן פנויה. מקרה בוחן 3, וקום של ממשל מול שומר סף. בואו נדבר על נקודת הקשל השלישית, מלחמת המשיכה של הממשל. לאחרונה עבדתי עם חברת טכנולוגיית בריאות, שהייתה משותקת בגלל שתי בחירות גרועות. צד אחד היה המערב הפרוע. זה היה הפיילוט הראשוני שלהם, שבו נתנו לכולם לחבר את מקורות הנתונים שלהם לקופילות ללא כל בדיקות. זה הרגיש מהיר, אבל זה הוביל לדליפת נתונים מסיבית תוך שלושה שבועות. נתוני חיוב רגישים של מטופלים הפכו לפתע לנגישים לצוות השיווק, כי ה-AI לא התעניין במבני תיקיות. הוא התעניין רק בהרשאות, וההרשאות האלה היו בלגן אחד גדול. בצד השני הייתה תגובת שומר הסף. צוות ההבטחה נכנס לפאניקה וסגר הכל. הם דרשו תופס אישור ידני של שבעה עמודים עבור כל סוכן AI חדש או מחבר מותאם אישי. הם התייחסו ל-AI כמו לחומר כימי מסוכן שצריך לטפל בו בחליפת מגן. התוצאה, האימוץ צנח לאפס. העובדים לא הפסיקו להשתמש ב-AI, הם פשוט העבירו את העבודה שלהם לחשבונות צ'אט-GPT אישיים בטלפונים שלהם. הם עברו ל-Shadow AI כי המערכת הרשמית הייתה איטית מדי מכדי להיות שימושי. המנהל בתרחיש הזה ראה בממשל שער בקרה. הם חשבו שהתפקיד שלהם הוא לעמוד בדלת ולהגיד לא עד שמישהו יוכיח שהם בטוחים. אבל בעולם של מערכות סוכנים, שערים ידניים הם רק מכשולים שאנשים יתפסו מעליהם. אם הממשל חיצוני לזרימת העבודה, הוא תמיד יתפס כנטל. אתם מנסים להשתמש במשמעת אנושית כדי לפתור בעיית תכנון מבנית. זה אף פעם לא עובד. אדריכל מסתכל על הריק הזה ומבין שממשל הוא לא שער, הוא תכונה בתכנון המערכת. כשהאדריכל נכנס לתמונה, הוא השתמש באג'נט 565 כדי לבנות מישור בקרה מרכזי. הם לא ביקשו תפסי הרשאה. במקום זאת, הם הנדסו ברירות מחדל בטוחות ישירות לתוך הסביבה. הם יצרו אזורי נתונים מאושרים מראש. אם סוכן נשאר באזור 1 תוך שימוש בנתוני חברה ציבוריים בלבד, הוא אושר אוטומטית. אם הוא נזקק לנתוני חיוב רגישי מאזור 3, המערכת יטמיע אוטומטית את ההצפנה ורישום הביקורת הנדרשים בקוד הסוכן עוד לפני שהופעל. הם העבירו את המדיניות ממסמך PD-F לתוך זרימת הנתונים בפועל. הם השתמשו במיקרוסופט פורווו כדי לטייג אוטומטית קבצים רגישים, כך שקופילות יצמזר אוטומטית פרטים מזהים לפני שהמשתמש בכלל יראה את הפלט. הממשל הפך לבלתי נראה. זו לא הייתה פגישה שהייתם צריכים להגיע אליה. זה היה האספלט שעליו נסעתם. על ידי התמאת מדיניות בזרימת העבודה, הם למעשה הגבירו את מהירות הארגון. התוצאה הייתה מערכת שבה שיעור העבודה מחדש צנח כי הנתונים היו נקיים והגבולות היו מקודדים מראש. הבינה המלאכותית הפסיקה להזות על בסיס קבצים מוגבלים. הצורך בבדיקות ידניות לכל פלט בודד נעלם כי המערכת הייתה מאובטחת מעצם התכנון שלה. הם הבינו שהדרך הטובה ביותר לשלוט במערכת היא לא להעט אותה, אלא לבנות מסלול טוב יותר. ממשל, כשהוא מתוכנן נכון, לא עוצר את המכונית. הוא מאפשר לנהג לנסוע מהר יותר בלי לדאוג מהתהום. זה מוביל אותנו לשינוי הגדול מכולם, איך אנחנו באמת מודדים עם כל זה עובד. התזמור, תקסים ומדדים חדשים לאדריכלים. אם אתם רוצים לעבור מלהיות מנהלים להפוך לאדריכלים, אתם חייבים לשנות את האופן שבו אתם מבלים את זמנכם. רוב המנהלים לחודים כרגע בלוק של ישיבות סטטוס אינסופיות שבהן הם יושבים בחדר ומבקשים עדכוני משימות. בעולם של סוכנים זה בזבוז עצום של משאבים כי הסטטוס כבר גלוי במערכת אם הסוכנים שלכם עושים את העבודה. אתם לא צריכים פגישה כדי לשמוע מה קרה, אבל אתם צריכים טקס כדי להבין למה המערכת התנהגה כפי שהתנהגה. השינוי המרכזי הראשון הוא החלפת ישיבת הסטטוס הזו בסקירת מערכת שבועית. זה לא על האנשים, זה על הלא. וכאדריכל, אתם לא שואלים אם דוח יסתיים. במקום זאת, עליך לשאול שאלות אבחון כדי לגלות איפה אדם נאלץ לעקוף החלטת בינה מלאכותית או אילו דפוסי קשל עולים בשרשרת הסוכנים. אם ה-AI מפספסת בעקביות דרישה רגולטורית ספציפית שאינה מהווה בעיית ביצועים לעובד, מדובר בווג בארכיטקטורת המערכת. אתה מחפש את נקודות החיכוך שבהן המכונה והאדם כבר לא מסונקרנים. הטקס הזה מכריח רותח להתייחס להנחיות ולתהליכי העבודה שלך כאל נכסים עם דרסאות שחיים ונושמים. במודל הישן, מנהל עשוי לתת טיפ בעל פה לעמית. אך במודל האדריכלי, הטיפ הזה הופך לעדכון קבוע בספריית ההנחיות והדפוסים. אתה בונה אינטליגנציה קולקטיבית ששורדת תחלופת עובדים, ואתה מבטיח שהכוונה של הארגון מתחדדת בכל שבעה ימים. אני רואה מנהיגים רבים מתפערים בשעות שנחסכו או במספר כולל של הנחיות שנשלחו, אך המספרים הללו חסרי משמעות. אם עובד חוסך חמש שעות בעזרת AI, אבל אז מבזבז שש שעות בתיקון השגיאות, למעשה הפסדת הזמן. אם הם שולחים אלף הנחיות, אך אף אחת מהן לא מניבה תוצר מוכן ללקוח, אתה סתם מייצר רעש דיגיטלי. אלו מדדים למפקחים שרוצים להרגיש עסוקים, הם לא מיועדים לאדריכלים שרוצים להיות אפקטיביים. במקום זאת, עליך להתחייב לארבעה מדדים קשיחים שבאמת מוכיחים שהמערכת גדלה. הראשון הוא זמן מחזור, שהוא הזמן הכולל מהבקשה הראשונית ועד לפלת המאומת הסופי. אם המספר הזה לא יורד בלפחות 20 אחוזים, הארכיטקטורה שלך כבדה מדי וזקוקה לאיעול. השני הוא שיעור העבודה החוזרת או אחוז הפלטים שנוצרו על ידי AI שדורשים התערבות אנושית לתיקון הטעות. במערכת מתוכננת היטב, זה צריך לשאוף לאפס. ואם זה נשאר סטטי, כנראה שנתוני הבסיס שלך הם האשמים. השלישי הוא השאיית החלטות, המודדת כמה זמן משימה נשארת במצב המתנה לאישור אנושי או הבהרה. השאייה גבוהה אומרת שהמגבלות שלך נוקשות מדי או שהכוונה שלך עמומה מדי מכדי שהמכונה תטפל בה. לבסוף, עליך לעקוב אחר שיעור התקריות, הכולל הכל מהזיית עובדות בדוח ועד הפרת תימות. ארגונים המטילים אחריות ארכיטקטונית מפורשת על מערכות אלו רואים הפחתה של 40% בתקריות חמורות בתוך שנתיים. הם לא בני מזל יותר ממך, הם פשוט ממושמעים יותר לגבי התכנון שלהם. ניסום המהלך הזה דורש שכבה חדשה של טכנולוגיה כי אי אפשר לתכנן מערכת שאי אפשר לראות. זו הסיבה שכלים כמו WorkIQ הופכים לשכבת הכוונה החיונית לארגון המודרני. WorkIQ מאפשר לכם לראות את הקשרים בין אנשים, נתונים ומשימות בזמן אמת, ומספק את הנירות הנדרשת כדי לזהות היכן באמת מתרחש חיכוך בעבודה משותפת. ומאפשר לכם לעבור מניחושים להנדסה. כשמשתמשים ב-WorkIQ כבסיס, לא רק פורסים כלי, אלא בונים מנוע ניתן להרחבה לאוטונומיה. אתם יוצרים עולם שבו המנהל לא חייב להיות צוואר הבקבוק בכל החלטה, ובונים מערכת שבה הגבולות כה ברורים שהבינה המלאכותית יכולה לפעול בביטחון רב. האדם מתערב רק כשהדבר באמת חשוב, וזו היא התזמור של העתיד. הגיע הזמן להפסיק להיות האדם שמנהל את העבודה, ולהתחיל להיות האדם שבנה את המכונה שמבצעת אותה. המעבר לבינה מלאכותית אינו שינוי טכנולוגי, הוא אבולוציה של מנהיגות. אם הפעלותים שלכם תקועים, אל תסתכלו על התוכנה, אלא על מודל הניהול שלכם. אי אפשר לפקח על עולם של סוכנים אוטונומיים, חייבים לתכנן אותו. תפסיקו לנהל אנשים, והתחילו לבנות את המערכות שהופכות אותם לאפקטיביים. אם זה שינה את האופן שבו אתם תופסים את תפקידכם, עקבו אחריי, מרקו פיטרס בלינקטין לעוד בהירות מבני. התחילו לבנות את המסילה עוד היום.